پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,038 |
| تعداد دریافت فایل اصل مقاله | 4,882,776 |
استفاده از شبکه عصبی مصنوعی (ANN) و الگوریتم رقابت استعماری به منظور ارزیابی کیفیت آب زیرزمینی دشت جلفا برای مصارف مختلف | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 20، دوره 53، شماره 1، فروردین 1400، صفحه 313-330 اصل مقاله (975.63 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2018.14258.5605 | ||
| نویسندگان | ||
| سمیه امامی* 1؛ رضا نوروزی سرکارآباد1؛ یحیی چوپان2 | ||
| 1گروه مهندسی آب دانشگاه تبریز | ||
| 2گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| چکیده | ||
| بررسیهای کمی و کیفی آبهای زیرزمینی اهمیت ویژهای در مدیریت این منابع دارند. بکارگیری روش های نوین از جمله شبکه های عصبی و الگوریتم های تکاملی در تخمین کیفیت آب به دلیل سرعت، همگرایی و کارآیی بسیار بالای خود، موجب صرفه جویی، کاهش هزینه ها و مدیریت هر چه بهتر می شود. هدف اصلی از انجام این تحقیق بررسی نتایج آنالیز شیمیایی آبهای زیرزمینی دشت جلفا با توجه به نمونه برداری از 14 حلقه چاه، نمودارهای ویلکاکس، شولر و پایپر و همچنین تخمین پارامترهای کیفی آب زیرزمینی با استفاده از شبکه های عصبی مصنوعی و الگوریتم رقابت استعماری می باشد. در همین راستا، پارامترهای کیفی آب زیرزمینی شامل TDS، EC و SAR با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم رقابت استعماری تخمین زده شد و کیفیت منابع آب زیرزمینی از نظر شرب، کشاورزی و صنعت با استانداردهای ویلکاکس، پایپر و شولر مورد بررسی قرار گرفت. ضریب همبستگی بالای 90 درصد، نشان دهنده ی دقت قابل قبول شبکه عصبی مصنوعی در مقایسه با الگوریتم رقابت استعماری در تخمین پارامترهای کیفی آب زیرزمینی است. همچنین نتایج استفاده از دیاگرام های مختلف نشان می دهد نمونه ها دارای سختی و خورندگی خیلی زیاد بوده و از نظر استفاده در شرب و صنعت نامناسب نمی باشند. طبق طبقه بندی کلاسها، اکثر داده ها در کلاسC4S2 قرار دارند که آب این گروه برای مقاصد کشاورزی نامناسب می باشد. | ||
| کلیدواژه‌ها | ||
| کیفیت آب؛ شبکه عصبی مصنوعی؛ الگوریتم رقابت استعماری؛ شرب؛ کشاورزی | ||
| موضوعات | ||
| داده کاوی؛ کیفیت آب؛ مدیریت منابع آب | ||
| عنوان مقاله [English] | ||
| Use of Artificial Neural Network and Imperialist Competitive Algorithm to Evaluate the Groundwater Quality of Jolfa Plain for Various Uses | ||
| نویسندگان [English] | ||
| Somayeh emami1؛ Reza Noruzi-Sarkarabad1؛ Yahya Choopan2 | ||
| 1Water Engineering Department of Tabriz University | ||
| 2Water Engineering Department of Gorgan of Gorgan University | ||
| چکیده [English] | ||
| Assessment of groundwater quality and quantity are important in the management of these resources. The use of modern methods, including ANN and evolutionary algorithms in estimating water quality, due to its high speed, convergence, and efficiency, saves and reduces costs and the best management. The main purpose of this study is to evaluate the results of the chemical analysis of groundwater samples from 14 wells in the Jolfa plain and also estimate the groundwater quality parameters using an imperialist competitive algorithm (ICA) and ANN. Therefore, groundwater quality parameters include TDS, EC, and SAR estimates using the imperialist competitive algorithm (ICA) and ANN, and groundwater resources quality in terms of drinking, agriculture, and industry were examined by Wilcox, Schuler, and Piper and standards. A correlation coefficient of (R2) 90%, indicates the acceptable accuracy of ANN compared with the ICA algorithm in estimating groundwater quality parameters. By using different diagrams the results show that the hardness of samples is too much and not suitable for drinking. It should also be noted that very high hardness and corrosion of sample, water not be used in industry. The salinity of 7 samples is very high and according to classification is located in the C4S2 class and not suitable for agricultural consumption. | ||
| کلیدواژه‌ها [English] | ||
| Agricultural, ANN, Drinking, Imperialist Competitive Algorithm, Water Quality | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] A. Saffarzadeh, S. KhayatRostami, Laboratory evaluation of the effect of elevation on the submerged rectangular Piano Key weirs hydraulic. Journal of Dam and Hydroelectric, 2(7) (2015) 1-12. [2] S. Emami, H. Arvanaghi, J. Parsa, Evaluation and comparison Imperialist Competitive and Genetic algorithms in Estimation of groundwater quality parameters. Journal of Hydrogeology, (2016). (In Persian). [3] M. M. Mirsanjouri, F. Mohammadyari, R. Basiri, F. Hamidipour, Modeling the EC, SAr and TDS in groundwater using artificial neural network (case study: Mehran and Dehloran Plain). Human and Environmental Quarterly Journal, 42 (2015) pp. 1-12. (In Persian) [4] M. Asgharimoghaddam, Water and urban habitat. Sara Press, (2005). (In Persian). [5] H. Zare-Abiyaneh, M. Bayat-Varshaki, S. Akhavan, M. Mohammadi, Estimation of groundwater in Hamedan plain using artificial neural network (ANN0 and effect of data separation on prediction accuracy. Journal of Ecology, 58 (2011) 129-140. [6] S. A. Moasheri, O. M. Rezapour, Z. Beyranvand, Z. Poornoori, Estimating the spatial distribution of groundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Science, 5 (20) (2013) 2434-2442. [7] A. Safilo, gh. Ahmadzadeh, A. Kanooni, A. Rasoulzadeh, Evaluation of groundwater quality for agriculture use in Azarshar Plain. First Iranian National Irrigation and Drainage Congress, (2015). (In Persian). [8] S. Ghasemian, H. Khosravi, Investigation of the process of quantitative and quantitative changes of the Haraz river. First Iranian National Irrigation and Drainage Congress, (2015). (In Persian). [9] M. J. Amiri, J. Abedi- Koupai, S. Eslamian, S. F. Mousavi, M. Arshadi, Modeling pb adsorption based on synthetic and industrial wastewaters by ostrich bone char using artificial Neural Network and Multivariate non-linear regression, Int. J, Hydrology Science and Technology, 3 (3) (2013) 221-240. [10] S. S. Eslamian, N. Lavaei, Modeling Nitrat pollution of Groundwater using Artificial Neural Network and Genetic Algoritm in an Arid zone, international Jornal of water, Special Issue on Groundwater and surface water Interaction (GSWI), 5 (2) (2009) 194-203. [11] S. Karimi-Sissi, R. Dalir Hasannia, K. Farajzadeh, A. Asadi, Modeling hydrochemical parameters of Aji-Chayriver using genetic planning. First international congress of earth sciences, (2013). (In Persian). [12] N. Naseri, H. Mohammadzadeh, S. Ebrahimpour, investigation of Hydrochemistry and hydrological of Sahand area. First national conference on Water resource research in Iran, (2010). (In Persian). [13] M. M. Mirsanjori, F. Mohammadyari, R. Basiri, F. Hamidipour, Modeling of EC, SAR and TDS quality parameters of groundwater using neural artificial network (ANN) (case study: Mehran and Dehloran plain), Human and Environmental Quarterly Journal, 42 (2016) 2-12. (In Persian). [14] Engineers PC. Semi-detailed studies of groundwater resources in Semnan province. Regional Water Authority of Semnan: 2017. [15] G. K. Holz, Seasonable variation in groundwater levels and quality under intensively drained. Seasonable variation in groundwater levels and quality under intensively drained and grazed pasture in the montage catchment NW Tasmania. Agricultural water management. 96 (2009) 255-266. [16] N. S. Magesh, S. Krishnakumar, N. Chandrasekar, Groundwater quality assessment using WQI and GIS techniques, Dindigul district, Tamil Nadu, India. Arab Journal of Geoscience. 6 (2013) 4179-4189. [17] S. Marofi, Z. Maryanji, Stream water quality in the western regions of Iran. Journal of Biotechnology. 6 (2007) 1728-1731. [18] Y. P. Ouyang, Q. T. Nkedi-Kizza, D. Wu, C. H. Shinde, Assessment of seasonal variations in surface water quality. Water Research. 20 (2006) 3800-3810. [19] K. S. Palupi, S. Sumengen, L. Inswiasri, S. A. Agustina, W. Nunik, A. Sunarya, River water quality study in the vicinity of Jakarta. Water Science and Technology. 9 (1995) 17-25. [20] L. Rafati, M. Mokhtari, F. Fazelinia, S. M. Momtaz, A. H. Mahvi, Evaluation of ground water fluoride concentration in Hamadan Province west of IRAN (2012). Iranian Journal of Health Sciences, 1(3) (2013) 71-76. [21] F. Chang, Y. Kuo, C. Wuing Liu, Artificial neural networks for estimating regional arsenic concentrations in a blackfoot disease area in Taiwan. Journal. Hydrology, 388 (2010) 65-76. [22] D. T. Larose, Discovering knowledge in data: an introduction to data mining. Jhon Wiley & Sons Inc, (2005) 240 p. [23] M. Isazadeh, R. Arabzadeh, S. Darbandi, Performance evaluation of geostatistical methods and Artificial Neural Network in estimation of aquifer quality parameters (case study: Qorveh Dehghan plain). J. Water and Soil Sci. (Sci. & Technol. Agric. & Natur. Resour.), 20 (77) (2015) 197-210. [24] R. Rooki, A. Ariafar, J. Adeli-Nasab, Evaluation of groundwater quality of Gonabad plain aquifer in Khorasan Razavi using multivariate statistical methods and Artificial Intelligence. Mineral Resources Engineering Journal, 2 (1) (2017) 49-61. [25] D. T. Larose Discovering knowledge in data: an introduction to data mining. Jhon Wiley & Sons Inc. (2005) 240 p.
| ||
|
آمار تعداد مشاهده مقاله: 1,459 تعداد دریافت فایل اصل مقاله: 898 |
||
